AI 專案胎死腹中？4 面向分析：你的「組織體質」可能不適合你的 AI 策略
許多企業在導入 AI 時都有類似經驗：試點專案（Pilot）驚豔全場，一旦進入量產與規模化階段卻卡關熄火。這類失敗常被歸咎於模型不成熟或數據不足，但《哈佛商業評論》直指核心：問題往往不在 AI 本身，而在於領導者的野心與組織實際的承載力脫節。
GM vs. Apple：一個量產失敗，一個建立標準
2018 年，通用汽車（GM）與 Apple 幾乎同時嘗試用 AI 重塑產品設計流程。GM 使用 Autodesk 的生成式設計工具，為一個看似不起眼、卻極為關鍵的汽車座椅支架重新設計結構。AI 產出的成果外型就像自然生成的晶格結構，不只重量減輕 40%，強度還提升 20%。
然而，這個「完美零件」最終沒有進入量產。原因不是設計不佳，而是 GM 既有的供應鏈與製造體系仍建立在沖壓鋼材之上，根本無法處理如此複雜的幾何結構。如要全面重整製造系統，所需時間與成本難以承擔，創新因此停擺。
相對地，Apple 同期投入研發能夠取代傳統相機鏡頭的金屬透鏡（metalens），同樣是一項高度仰賴 AI、材料科學與半導體製程整合的突破性技術。不同的是，Apple 擁有能執行的系統，在短短兩年內申請了數十項相關專利，並準備將這項技術導入 Face ID 感測器，率先用於 iPad Pro，再延伸至新一代 iPhone。
這兩個案例揭示了一個關鍵事實：AI 專案失敗，通常不是 AI 做不到，而是組織承接不了。
62% 企業卡在部門協作錯位，AI 是管理問題
根據 Kearney 調查，62% 企業認為跨部門協作不佳是 AI 導入的主要障礙。標普全球市場財智數據更顯示，2025 年有 42% 企業放棄了大部分 AI 專案，遠高於 2024 年的 17%；近半數 POC 在進入生產前就被報廢。
為了幫助企業提高 AI 投資回報，《哈佛商業評論》提出了一個實用的框架，歸納出影響 AI 成功的兩個關鍵維度：「價值鏈控制」和「技術廣度」，並衍生出 4 種截然不同的策略：聚焦差異化、垂直整合、協作生態系統和平台領導。當企業採取的策略與其現實情況相符時，才能真正將 AI 的潛力轉化為績效。
AI 能走多遠，取決於你能控制什麼、整合多少
第一個維度是「價值鏈控制」，指的是公司對從創意到市場這段旅程的影響力程度。擁有高價值鏈控制權的公司可以快速測試、迭代並擴大創新規模，因為它們擁有或強烈影響產品設計、製造、分銷和客戶互動。相反地，低價值鏈控制權的公司，由於必須依賴他人來驗證、採用或分銷創新，它們很難快速行動，影響力也相對有限。
第二個維度是「技術廣度」，指的是公司為競爭必須整合的技術範圍及其相互依賴性。在半導體、自動駕駛汽車和生命科學等高廣度領域，AI 很少單獨運作，必須與感測器、機器人、材料科學、雲端架構和邊緣運算等快速變化的技術交織在一起。而在食品加工、建築材料和基礎物流等低廣度產業，技術堆疊通常較為穩定，企業可以利用 AI 獲得巨大收益，但通常是透過優化現有流程，而非重新定義整個產業景觀。
這兩個維度交織，形成 4 種截然不同的 AI 策略路徑，每一種路徑都伴隨著不同的風險、前提條件與突破式創新的潛力。
不是每家公司，都適合當 AI 平台霸主
第一種策略是「聚焦差異化」，適合價值鏈控制有限、技術廣度不高的企業。這類公司不是試圖顛覆系統，而是選擇關鍵槓桿點，用 AI 做深度優化，專注於精確、高影響力的應用案例，例如更好的標籤、更聰明的感測器或更具適應性的配方。這一策略的風險在於，一旦野心過大，就可能過度擴張。
食品飲料巨頭百事公司（PepsiCo）就是一個例子。它們在上游馬鈴薯供應鏈中擁有透過種植者計畫建立的嚴密控制權，因此部署了無人機並使用機器學習來評估作物健康的早期指標，幫助農民優化灌溉和施肥。這帶來了更低的碳足跡、更高的產量和更具韌性的收成，在大宗商品業務中是關鍵優勢。紐西蘭乳業巨頭 Fonterra 也沒有試圖將整個業務數位化，而是鎖定了一個瓶頸：在牛奶離開農場大門前預測品質，透過整合農場感測器數據與歷史收乳記錄，即時優化收乳路線並減少浪費。
第二種是「垂直整合」，透過串聯內部數據極大化營運效率，適合高度掌握價值鏈、但技術廣度有限的公司。這類企業不需要追逐每一個前沿技術趨勢，而是將 AI 嵌入其已經擁有的流程中，透過連結內部系統的洞察來產生巨大影響。這就是「垂直整合（Vertical integration）」策略，AI 在此能增強卓越營運，如預測性維護、動態定價和需求驅動的物流。由於規模是影響力的放大器，營運規模越大，即使是微小的效率提升也能帶來巨大的累積收益。
但即使擁有強大營運能力，若野心超過執行力仍會跌跤。GE 曾試圖透過 Predix 平台成為工業 AI 界的微軟，但由於數據孤島、內部阻力以及缺乏連接軟體，加上領導層變動，導致推廣受阻。在花費超過 40 億美元後，GE 縮減了平台野心並分拆了大部分 GE Digital 業務。
第三種是「協作生態系」，適用於身處技術複雜的生態系，但缺乏對解決方案如何最終進入市場的控制權的公司。這一策略強調共享創新風險、基礎設施和專業知識。這些公司通常處於高科技、快速變動的產業，必須依賴監管機構、研究人員或平台合作夥伴才能接觸終端用戶。
諾華和微軟的合作就是一例，它們創建了一個 AI 創新實驗室來加速藥物發現，利用機器學習模型預測分子行為，成功幫助諾華確定了腫瘤學試驗的新生物標記組合，將試驗設計時間縮短了 30% 以上。這類合作能解鎖基礎發現，但風險在於協調，若治理不清晰或文化衝突，專案就容易失敗。
第四種策略則是「平台領導」，是門檻最高、風險最大的路徑。在技術廣度和價值鏈控制權都處於高點的企業，不僅適應變化，更在塑造變化，例如制定標準、開放 API 和設計他人想要在其上建構的系統。但風險是，平台影響力越大，對信任與治理的要求也越高。
舉例來說，微軟就透過 GitHub Copilot、Microsoft 365 Copilot 和 Azure OpenAI Service，成為企業生成式 AI 的骨幹，重新定義了工作方式。西門子醫療（Siemens Healthineers）在醫學影像領域也取得類似地位，其 AI-Rad Companion 套件直接整合到醫院系統中，自動分析 X 光和 MRI 等影像，在 60 多個國家獲得 FDA 批准，改善診斷準確性並簡化臨床工作流程。
AI 最難的不是上線，是讓人願意用
無論採取哪一種策略，AI 成敗的最後一關往往不是技術，而是人。《哈佛商業評論》引述調查指出，31% 的員工會主動抵制公司 AI 計畫，部分人甚至刻意降低產出品質，以表達不安；成功的企業，往往選擇讓員工成為參與者，而非被取代者，甚至能同時跨足 4 個象限。
《哈佛商業評論》表示，未來 10 年，企業脫穎而出的關鍵將不再取決於啟動多少 AI 試點項目，而是如何讓 AI 導入規模化發展。通用汽車與 Apple 的區別不只是技術，而是圍繞技術的系統。只有建立正確系統、讓野心與執行力相遇的企業，才能停止試點，開始領導。
＊本文開放合作夥伴轉載，資料來源：《HBR》、Kearney、S&P Global，首圖來源：AI 工具生成